import pandas as pd
from fuzzywuzzy import fuzz
from fuzzywuzzy import process
from collections import defaultdict
from joblib import Parallel, delayed
import matplotlib.pyplot as plt
import plotly.express as px
import seaborn as sns
import folium
from folium import Map, Choropleth, GeoJson
from folium.plugins import MarkerCluster
from folium import GeoJsonTooltip
import json
from IPython.display import IFrame

try:
    data = pd.read_csv('/datasets/moscow_places.csv', sep=',')
except:
    data = pd.read_csv('/Users/mariiasergeeva/Desktop/moscow_places.csv',
                       sep=',')

data.sample(3)

data.info()
data.describe()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

data.hist(figsize=(15, 10), bins=30, color='#789DBC')
plt.show()

print('Количество заведений:', data.name.nunique())

Количество заведений: 5614

print("Кол-во явных дубликатов:", data.duplicated().sum())

Кол-во явных дубликатов: 0

#снимаем ограничение на ширину столбцов для оценки дубликатов
pd.set_option('display.max_colwidth', None)

#функция для нахождения похожих названий
def find_similar_names(name, data, threshold=77):
    similar_names = process.extract(name,
                                    data['name'],
                                    scorer=fuzz.token_sort_ratio)
    return [(idx, score) for similar_name, score, idx in similar_names
            if score >= threshold]


#функция для нахождения дубликатов с использованием алгоритма Левенштейна
def find_duplicates(data, threshold=77, n_jobs=-1):
    #словарь для хранения схожести названий
    similarity_dict = defaultdict(list)

    #предварительная фильтрация данных по первой букве названия
    data['name_initial'] = data['name'].str[0]
    grouped_data = data.groupby('name_initial')

    #параллельная обработка групп
    results = Parallel(n_jobs=n_jobs)(delayed(process_group)(group, threshold)
                                      for _, group in grouped_data)

    #объединение результатов
    for result in results:
        for name, matches in result.items():
            similarity_dict[name].extend(matches)

    #создание фрейма для хранения дубликатов
    duplicates = pd.DataFrame(columns=data.columns)

    #проход по словарю и добавление дубликатов во фрейм
    for name, matches in similarity_dict.items():
        for idx, score in matches:
            duplicates = pd.concat([duplicates, data.iloc[[idx]]])

    return duplicates.drop_duplicates()


#функция для обработки группы данных
def process_group(group, threshold):
    group_similarity_dict = defaultdict(list)
    for i, row in group.iterrows():
        name = row['name']
        address = row['address']

        #если название уже было обработано, пропускаем
        if name in group_similarity_dict:
            continue

        #поиск похожих названий заведений
        similar_names = find_similar_names(name, group, threshold)

        #сохранение результатов в словарь
        for idx, score in similar_names:
            if group.at[idx, 'address'] == address and idx != i:
                group_similarity_dict[name].append((idx, score))

    return group_similarity_dict


#нахождение дубликатов
duplicates = find_duplicates(data)

#удаляем промежуточную колонку 'name_initial'
data = data.drop(columns=['name_initial'])

duplicates

/var/folders/yq/4kk1f65n4xx9ljs464yq0dvh0000gn/T/ipykernel_22006/18141113.py:34: FutureWarning: The behavior of DataFrame concatenation with empty or all-NA entries is deprecated. In a future version, this will no longer exclude empty or all-NA columns when determining the result dtypes. To retain the old behavior, exclude the relevant entries before the concat operation.
  duplicates = pd.concat([duplicates, data.iloc[[idx]]])

data = data.drop(duplicates.index)
print("Количество удаленных дубликатов:", len(duplicates))

Количество удаленных дубликатов: 20

#число пропусков
missing_values = data.isna().sum()

#процент пропусков
missing_percentage = (missing_values / len(data)) * 100

#собираем в итоговую таблицу
missing_data_table = pd.DataFrame({
    'Столбец':
    missing_values.index,
    'Кол-во пропусков':
    missing_values.values,
    '% пропусков':
    missing_percentage.values.round(0)
})

missing_data_table

#определим столбцы, которые будем анализировать
columns_with_na = ['price', 'avg_bill', 'middle_avg_bill', 'middle_coffee_cup']

#выявляем строки, где пропуски есть во всех столбцах одновременно
rows_with_all_na = data[columns_with_na].isna().all(axis=1)

#считаем такие строки
num_rows_with_all_na = rows_with_all_na.sum()

print(
    f"Количество строк с пропусками во всех указанных столбцах одновременно: {num_rows_with_all_na}"
)

Количество строк с пропусками во всех указанных столбцах одновременно: 4329

#вернем ограничение ширины столбцов для компактности
pd.reset_option('display.max_colwidth')

def st(row):
    add = row['address'].split(', ')
    st = add[1]
    return st


data['street'] = data.apply(st, axis=1)
data.sample(3)

data['is_24_7'] = data[
    data['hours'].apply(lambda x: 'ежедневно, круглосуточно' in str(x)
                        )]['hours'] == 'ежедневно, круглосуточно'
data['is_24_7'] = data['is_24_7'].fillna(False)
data.sample(3)

/var/folders/yq/4kk1f65n4xx9ljs464yq0dvh0000gn/T/ipykernel_22006/4015954668.py:4: FutureWarning: Downcasting object dtype arrays on .fillna, .ffill, .bfill is deprecated and will change in a future version. Call result.infer_objects(copy=False) instead. To opt-in to the future behavior, set `pd.set_option('future.no_silent_downcasting', True)`
  data['is_24_7'] = data['is_24_7'].fillna(False)

category = data.groupby('category')['name'].count().sort_values(
    ascending=False).reset_index()
category = category.rename(columns={'name': 'count'})
category

#строим график
fig = px.bar(category,
             x='category',
             y='count',
             title='Распределение категорий заведений',
             labels={
                 'category': 'Категория',
                 'count': 'Кол-во заведений'
             },
             text='count')

#настраиваем параметры
fig.update_traces(texttemplate='%{text}',
                  textposition='outside',
                  marker_color='#789DBC')
                  
# сохраняем график
fig.write_image("distribution_of_categories.png", format="png", scale=2)

fig.show()

#рассчитываем медиану
median_seats = data.groupby('category')['seats'].median().sort_values(
    ascending=False).reset_index()
median_seats = median_seats.rename(columns={'seats': 'median'})

#рассчитываем среднее
mean_seats = data.groupby('category')['seats'].mean().sort_values(
    ascending=False).reset_index()
mean_seats = mean_seats.rename(columns={'seats': 'mean'})
#округляем значения
mean_seats['mean'] = mean_seats['mean'].round()

#собираем таблицу
summary_table = pd.merge(median_seats, mean_seats, on='category')
summary_table

#строим график
fig = px.bar(
    summary_table,
    x='category',
    y='mean',
    title='Среднее количество посадочных мест по категориям заведений',
    labels={
        'category': 'Категория',
        'mean': 'Среднее кол-во мест'
    },
    text='mean')

#настраиваем параметры
fig.update_traces(texttemplate='%{text}',
                  textposition='outside',
                  marker_color='#789DBC')

fig.show()

#строим график
fig = px.box(data,
             x='category',
             y='seats',
             title='Количество посадочных мест по категориям заведений',
             labels={
                 'category': 'Категория',
                 'seats': 'Кол-во посадочных мест'
             })

#настраиваем цвет и описание
fig.update_traces(marker_color='#789DBC', line_color='#789DBC')

fig.update_layout(xaxis_title='Категория',
                  yaxis_title='Кол-во посадочных мест')

fig.show()

#фильтруем данные
filtered_data = data.query('seats <= 800')

#строим график
fig = px.box(filtered_data,
             x='category',
             y='seats',
             title='Количество посадочных мест по категориям заведений',
             labels={
                 'category': 'Категория',
                 'seats': 'Кол-во посадочных мест'
             })

#настраиваем цвет и описание
fig.update_traces(marker_color='#789DBC', line_color='#789DBC')

fig.update_layout(xaxis_title='Категория',
                  yaxis_title='Кол-во посадочных мест')

fig.show()

#соберем таблицу с соотношением сетевых и не сетевых заведений
chain_counts = data['chain'].value_counts().reset_index()
chain_counts.columns = ['chain', 'count']
chain_counts['chain'] = chain_counts['chain'].map({
    0: 'Не сетевое',
    1: 'Сетевое'
})
display(chain_counts)

#построим круговую диаграмму
color_discrete_map = {'Не сетевое': '#789DBC', 'Сетевое': '#FFDDAE'}

# Построим круговую диаграмму
fig = px.pie(chain_counts,
             names='chain',
             values='count',
             title='Соотношение сетевых и не сетевых заведений',
             color='chain',
             color_discrete_map=color_discrete_map)

fig.show()

#сгруппируем данные по категориям и типам
grouped_data = data.groupby(['category',
                             'chain']).size().reset_index(name='count')
grouped_data['chain'] = grouped_data['chain'].map({
    0: 'Не сетевое',
    1: 'Сетевое'
})

#группируем данные для сортировки столбцов
total_counts = grouped_data.groupby('category')['count'].sum().reset_index()
total_counts = total_counts.rename(columns={'count': 'total_count'})
sorted_data = pd.merge(grouped_data, total_counts, on='category')
sorted_data = sorted_data.sort_values(by='total_count', ascending=False)

#строим диаграмму
fig = px.bar(sorted_data,
             x='category',
             y='count',
             color='chain',
             title='Соотношение сетевых и не сетевых заведений по категориям',
             labels={
                 'category': 'Категория',
                 'count': 'Кол-во заведений',
                 'chain': 'Тип заведения'
             },
             color_discrete_map={
                 'Сетевое': '#FFDDAE',
                 'Не сетевое': '#789DBC'
             },
             category_orders={'category': sorted_data['category'].unique()})

fig.show()

chain = data.groupby('category').agg({'chain':['count','sum']}).reset_index()
# считаем количество заведений по категориям и сколько из них сетевые

chain.columns = ['category','total_amnt','chain']
# переименовывем столбцы

chain['percent%'] = (chain['chain']/chain['total_amnt']*100).round(1)
# считаем долю сетевых от всех заведений в категориях, выводим на экран

chain = chain.sort_values(by='percent%',ascending=False)
display(chain.style.background_gradient(subset=['total_amnt','percent%'],cmap='Blues', axis=0))

order = list(chain['category'])
# список для сортировки графика

#строим график
fig = px.bar(chain,
             x='percent%',
             y='category',
             orientation='h',
             title='Доли сетевых заведений в каждом типе',
             labels={
                 'percent%': 'Процент',
                 'category': 'Категория'
             },
             color='category',
             color_discrete_map={
                 'ресторан': '#789DBC',
                 'кафе': '#ABBA7C',
                 'пиццерия': '#FFDDAE',
                 'бар,паб': '#C08497',
                 'быстрое питание': '#6B4226',
                 'булочная': '#8E7DBE',
                 'столовая': '#F4A259',
                 'кофейня': '#4D8B8B'
             })

#настраиваем вид
fig.update_layout(yaxis={'categoryorder': 'total ascending'})

fig.show()

df_chain = data[data['chain'] == 1]
top_15_chain = df_chain.groupby('name').agg({
    'category': pd.Series.mode,
    'district': 'count'
})
top_15_chain = top_15_chain.rename(columns={'district': 'count'})
top_15_chain = top_15_chain.sort_values('count',
                                        ascending=False).reset_index().head(15)
top_15_chain

#стоим график
fig = px.bar(top_15_chain,
             x='count',
             y='name',
             orientation='h',
             title='Топ-15 популярных сетей в Москве',
             labels={
                 'count': 'Кол-во заведений',
                 'name': 'Сеть'
             },
             color_discrete_sequence=['#789DBC'])

#настраиваем вид
fig.update_layout(yaxis={'categoryorder': 'total ascending'})

fig.show()

#строим круговую диаграмму
fig_pie = px.pie(top_15_chain,
                 values='count',
                 names='category',
                 title='Доли типов сетевых заведений',
                 color='category',
                 color_discrete_map={
                     'ресторан': '#789DBC',
                     'кафе': '#ABBA7C',
                     'пиццерия': '#FFDDAE',
                     'бар,паб': '#C08497',
                     'быстрое питание': '#6B4226',
                     'булочная': '#8E7DBE',
                     'столовая': '#F4A259',
                     'кофейня': '#4D8B8B'
                 })

fig_pie.show()

data['district'].unique()

array(['Северный административный округ',
       'Северо-Восточный административный округ',
       'Северо-Западный административный округ',
       'Западный административный округ',
       'Центральный административный округ',
       'Восточный административный округ',
       'Юго-Восточный административный округ',
       'Южный административный округ',
       'Юго-Западный административный округ'], dtype=object)

#сгруппируем данные по районам и типам заведений и посчитаем количество заведений
grouped_data = data.groupby(['district',
                             'category']).size().reset_index(name='count')

#убираем 'административный округ' из названий районов
grouped_data['district'] = grouped_data['district'].str.replace(
    ' административный округ', '', regex=False)

#группируем данные для сортировки столбцов
total_counts = grouped_data.groupby('district')['count'].sum().reset_index()
total_counts = total_counts.rename(columns={'count': 'total_count'})

#мержим данные, чтобы добавить общую сумму заведений для каждого района
sorted_data = pd.merge(grouped_data, total_counts, on='district')

#сортируем по столбцам и внутри них
sorted_data = sorted_data.sort_values(by=['total_count', 'count'],
                                      ascending=[False, False])

#выставляем палитру для диаграммы
color_discrete_map = {
    'ресторан': '#789DBC',
    'кафе': '#ABBA7C',
    'пиццерия': '#FFDDAE',
    'бар,паб': '#C08497',
    'быстрое питание': '#6B4226',
    'булочная': '#8E7DBE',
    'столовая': '#F4A259',
    'кофейня': '#4D8B8B'
}

#строим диаграмму
fig = px.bar(sorted_data,
             x='count',
             y='district',
             color='category',
             title='Количество заведений по районам и типам',
             labels={
                 'district': 'Округ',
                 'count': 'Кол-во заведений',
                 'category': 'Тип заведения'
             },
             color_discrete_map=color_discrete_map,
             category_orders={'district': sorted_data['district'].unique()})

fig.show()

#создаем сводную таблицу
pivot_table = grouped_data.pivot_table(index='category',
                                       columns='district',
                                       values='count',
                                       fill_value=0)

#сбросим индексы и удалим ненужную первую колонку
pivot_table.reset_index(inplace=True)
pivot_table.columns.name = None
pivot_table

#рассчитываем медиану
median_rating = data.groupby('category')['rating'].median().sort_values(
    ascending=False).reset_index()
median_rating = median_rating.rename(columns={'rating': 'median'})

#рассчитываем среднее
mean_rating = data.groupby('category')['rating'].mean().sort_values(
    ascending=False).reset_index()
mean_rating = mean_rating.rename(columns={'rating': 'mean'})
#округляем значения
mean_rating['mean'] = mean_rating['mean'].round(1)

#собираем таблицу
summary_table = pd.merge(median_rating, mean_rating, on='category')
summary_table

#строим график
fig = px.box(data,
             x='category',
             y='rating',
             title='Рейтинг по категориям заведений',
             labels={
                 'category': 'Категория',
                 'seats': 'Рейтинг'
             })

#настраиваем цвет и описание
fig.update_traces(marker_color='#789DBC', line_color='#789DBC')

fig.update_layout(xaxis_title='Категория', yaxis_title='Рейтинг')

fig.show()

mean_rating_by_district = data.groupby(
    'district')['rating'].mean().reset_index()
mean_rating_by_district['rating'] = mean_rating_by_district['rating'].round(1)
mean_rating_by_district

try:
    geojson_path = '/Users/mariiasergeeva/Desktop/admin_level_geomap.geojson'
    with open(geojson_path, 'r') as f:
        geo_json = json.load(f)
except:
    geojson_path = '/datasets/admin_level_geomap.geojson'
    with open(geojson_path, 'r') as f:
        geo_json = json.load(f)

print(json.dumps(geo_json, indent=2, ensure_ascii=False, sort_keys=True))

{
  "features": [
    {
      "geometry": {
        "coordinates": [
          [
            [
              [
                37.8756653,
                55.825342400000004
              ],
              [
                37.876001599999995,
                55.8249027
              ],
              [
                37.8730967,
                55.8237936
              ],
              [
                37.8689418,
                55.8228697
              ],
              [
                37.869206999999996,
                55.822363200000005
              ],
              [
                37.868322500000005,
                55.822211100000004
              ],
              [
                37.867472,
                55.823703
              ],
              [
                37.86851090000001,
                55.82391880000001
              ],
              [
                37.87046039999999,
                55.8242706
              ],
              [
                37.871727799999995,
                55.8246505
              ],
              [
                37.8724412,
                55.824851499999994
              ],
              [
                37.873601099999995,
                55.8251836
              ],
              [
                37.874401799999994,
                55.8252441
              ],
              [
                37.8748787,
                55.825267399999994
              ],
              [
                37.8756653,
                55.825342400000004
              ]
            ]
          ],
          [
            [
              [
                37.797732300000014,
                55.99985
              ],
              [
                37.79532840000001,
                55.9990248
              ],
              [
                37.793020500000004,
                56.0011418
              ],
              [
                37.792486800000006,
                56.0009504
              ],
              [
                37.79018290000001,
                56.0001243
              ],
              [
                37.7887247,
                56.0013886
              ],
              [
                37.791381200000004,
                56.002270100000004
              ],
              [
                37.79097720000001,
                56.0026548
              ],
              [
                37.79033860000001,
                56.00251240000001
              ],
              [
                37.79001420000001,
                56.002850200000005
              ],
              [
                37.791075500000005,
                56.0032236
              ],
              [
                37.79213700000001,
                56.003597
              ],
              [
                37.79290810000001,
                56.0038699
              ],
              [
                37.793034600000006,
                56.0037881
              ],
              [
                37.79353240000001,
                56.0037672
              ],
              [
                37.79415630000001,
                56.003185300000005
              ],
              [
                37.797732300000014,
                55.99985
              ]
            ]
          ],
          [
            [
              [
                37.79895800000001,
                56.009590100000004
              ],
              [
                37.79812700000001,
                56.007685099999996
              ],
              [
                37.7986646,
                56.0068026
              ],
              [
                37.79950730000001,
                56.006109900000006
              ],
              [
                37.797426900000005,
                56.0053804
              ],
              [
                37.7968617,
                56.0046327
              ],
              [
                37.7936914,
                56.005357800000006
              ],
              [
                37.793098500000006,
                56.0055271
              ],
              [
                37.791304000000004,
                56.0071472
              ],
              [
                37.791591100000005,
                56.0074532
              ],
              [
                37.7932241,
                56.0080698
              ],
              [
                37.79301430000001,
                56.00823260000001
              ],
              [
                37.795332000000016,
                56.00899870000001
              ],
              [
                37.7949344,
                56.0092902
              ],
              [
                37.7979841,
                56.00953210000001
              ],
              [
                37.79853170000001,
                56.0096683
              ],
              [
                37.7988895,
                56.0096066
              ],
              [
                37.79895800000001,
                56.009590100000004
              ]
            ]
          ],
          [
            [
              [
                37.899785200000004,
                55.8161364
              ],
              [
                37.8999346,
                55.8151406
              ],
              [
                37.8994626,
                55.8145828
              ],
              [
                37.897964699999996,
                55.813788499999994
              ],
              [
                37.8972371,
                55.813656599999995
              ],
              [
                37.896656300000004,
                55.81365039999999
              ],
              [
                37.8960238,
                55.813732
              ],
              [
                37.895435000000006,
                55.81376039999999
              ],
              [
                37.8943798,
                55.813931499999995
              ],
              [
                37.8930571,
                55.81422599999999
              ],
              [
                37.892053700000005,
                55.814827399999984
              ],
              [
                37.8914232,
                55.815043599999996
              ],
              [
                37.8892963,
                55.81517590000001
              ],
              [
                37.88888599999999,
                55.8154787
              ],
              [
                37.8881524,
                55.8156752
              ],
              [
                37.887902499999996,
                55.815941699999996
              ],
              [
                37.886874199999994,
                55.816531499999996
              ],
              [
                37.8861402,
                55.8161663
              ],
              [
                37.8853211,
                55.816661999999994
              ],
              [
                37.8841286,
                55.816660799999994
              ],
              [
                37.88211890000001,
                55.8154707
              ],
              [
                37.881639899999996,
                55.815015
              ],
              [
                37.880831799999996,
                55.814580799999995
              ],
              [
                37.88084249999999,
                55.8143186
              ],
              [
                37.879824799999994,
                55.81420459999999
              ],
              [
                37.879484299999994,
                55.813472
              ],
              [
                37.87964159999999,
                55.81326729999999
              ],
              [
                37.8789748,
                55.812424899999996
              ],
              [
                37.878148100000004,
                55.81142919999999
              ],
              [
                37.8773566,
                55.81146719999999
              ],
              [
                37.8741278,
                55.810693699999995
              ],
              [
                37.8735825,
                55.8086963
              ],
              [
                37.870080699999995,
                55.807760699999996
              ],
              [
                37.8711986,
                55.8063292
              ],
              [
                37.8665868,
                55.8042107
              ],
              [
                37.8657431,
                55.804207999999996
              ],
              [
                37.863264699999995,
                55.80742109999999
              ],
              [
                37.8628232,
                55.8073119
              ],
              [
                37.861697299999996,
                55.8086902
              ],
              [
                37.8602718,
                55.80857580000001
              ],
              [
                37.860033800000004,
                55.8084267
              ],
              [
                37.86068709999999,
                55.807540599999996
              ],
              [
                37.85636949999999,
                55.80604139999999
              ],
              [
                37.8561187,
                55.806648499999994
              ],
              [
                37.8560108,
                55.806588399999995
              ],
              [
                37.8521852,
                55.8089604
              ],
              [
                37.85129959999999,
                55.8088336
              ],
              [
                37.85069149999999,
                55.8085496
              ],
              [
                37.85046939999999,
                55.8086719
              ],
              [
                37.85023739999999,
                55.808557
              ],
              [
                37.848871499999994,
                55.8094232
              ],
              [
                37.84980899

#определяем координаты центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

#создаем карту Москвы
m = Map(location=[moscow_lat, moscow_lng],
        zoom_start=10,
        tiles='Cartodb Positron')

#cоздаем хороплет
Choropleth(
    geo_data=geo_json,
    data=mean_rating_by_district,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='Blues',
    fill_opacity=0.8,
    line_opacity=0.2,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

#добавляем тултипы с названиями округов и обводки
GeoJson(geo_json,
        name='districts',
        style_function=lambda feature: {
            'color': 'grey',
            'weight': 0.8,
            'fillOpacity': 0
        },
        tooltip=folium.GeoJsonTooltip(fields=['name'],
                                      aliases=['Округ:'])).add_to(m)

#сохраняем карту в HTML файл и отображаем в блокноте с помощью IFrame
map_path = 'moscow_map.html'
m.save(map_path)
IFrame(map_path, width=1000, height=800)

count_by_district = data['district'].value_counts().reset_index()
count_by_district.columns = ['district', 'count']
count_by_district

#координаты центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

#создаем карту Москвы
m = Map(location=[moscow_lat, moscow_lng],
        zoom_start=10,
        tiles='Cartodb Positron')

#создаем хороплет
Choropleth(
    geo_data=geo_json,
    data=count_by_district,
    columns=['district', 'count'],
    key_on='feature.name',
    fill_color='Blues',
    fill_opacity=0.8,
    line_opacity=0.2,
    legend_name='Количество заведений по районам',
).add_to(m)

#добавляем границы округов
GeoJson(geo_json,
        name='districts',
        style_function=lambda feature: {
            'color': 'grey',
            'weight': 0.8,
            'fillOpacity': 0
        },
        tooltip=folium.GeoJsonTooltip(fields=['name'],
                                      aliases=['Округ:'])).add_to(m)

#создаем кластеры
marker_cluster = MarkerCluster().add_to(m)

#добавляем маркеры на карту
for idx, row in data.iterrows():
    folium.Marker(
        location=[row['lat'], row['lng']],
        popup=folium.Popup(
            f"{row['name']}<br>Категория: {row['category']}<br>Рейтинг: {row['rating']}",
            max_width=300),
        tooltip=row['name']).add_to(marker_cluster)

#сохраняем карту в HTML файл и отображаем в блокноте с помощью IFrame
map_path = 'moscow_map_clusters.html'
m.save(map_path)
IFrame(map_path, width=1000, height=600)

#группируем данные по улицам и категориям заведений, посчитаем количество заведений на каждой улице
grouped_data = data.groupby(['street',
                             'category']).size().reset_index(name='count')

#группируем данные для сортировки столбцов
total_counts = grouped_data.groupby('street')['count'].sum().reset_index()
total_counts = total_counts.rename(columns={'count': 'total_count'})

#сортируем и выбираем топ-15
top_15_streets = total_counts.sort_values(by='total_count',
                                          ascending=False).head(15)

#фильтруем данные только по улицам
filtered_data = grouped_data[grouped_data['street'].isin(
    top_15_streets['street'])]

#сортируем данные внутри каждого столбца по количеству заведений
filtered_data = filtered_data.sort_values(by=['street', 'count'],
                                          ascending=[True, False])

#выставляем палитру для диаграммы
color_discrete_map = {
    'ресторан': '#789DBC',
    'кафе': '#ABBA7C',
    'пиццерия': '#FFDDAE',
    'бар,паб': '#C08497',
    'быстрое питание': '#6B4226',
    'булочная': '#8E7DBE',
    'столовая': '#F4A259',
    'кофейня': '#4D8B8B'
}

#строим диаграмму
fig = px.bar(filtered_data,
             x='count',
             y='street',
             color='category',
             title='Топ-15 улиц по количеству заведений и их категориям',
             labels={
                 'street': 'Улица',
                 'count': 'Кол-во заведений',
                 'category': 'Тип заведения'
             },
             color_discrete_map=color_discrete_map,
             category_orders={'street': top_15_streets['street'].unique()})

fig.show()

#создаем сводную таблицу
pivot_table = filtered_data.pivot_table(index='category',
                                        columns='street',
                                        values='count',
                                        fill_value=0)

#сбросим индексы и удалим ненужную первую колонку
pivot_table.reset_index(inplace=True)
pivot_table.columns.name = None
pivot_table

#группируем данные по улицам и фильтруем, где есть одно заведение
street_counts = data.groupby('street').size().reset_index(name='count')
streets_with_one_point = street_counts[street_counts['count'] == 1]

#объединяем с исходным фреймом
streets_with_one_point_district = pd.merge(
    streets_with_one_point,
    data[['street', 'district', 'category']].drop_duplicates(),
    on='street',
    how='left')

#группируем по округам
grouped_by_district_and_category = streets_with_one_point_district.groupby(
    ['district', 'category']).size().reset_index(name='number_of_streets')

#убираем 'административный округ' из названий районов
grouped_by_district_and_category[
    'district'] = grouped_by_district_and_category['district'].str.replace(
        ' административный округ', '', regex=False)

#сортируем столбцы
sorted_data = grouped_by_district_and_category.sort_values(
    by=['district', 'number_of_streets'], ascending=[False, False])

#сортируем столбцы
district_order = sorted_data.groupby(
    'district')['number_of_streets'].sum().sort_values(ascending=False).index

#список уникальных категорий
category_order = sorted_data.groupby(
    'category')['number_of_streets'].sum().sort_values(ascending=False).index

print(f"Количество улиц с одним заведением: {len(streets_with_one_point)}")

Количество улиц с одним заведением: 459

#выставляем палитру для диаграммы
color_discrete_map = {
    'ресторан': '#789DBC',
    'кафе': '#ABBA7C',
    'пиццерия': '#FFDDAE',
    'бар,паб': '#C08497',
    'быстрое питание': '#6B4226',
    'булочная': '#8E7DBE',
    'столовая': '#F4A259',
    'кофейня': '#4D8B8B'
}

#строим диаграмму
fig = px.bar(sorted_data,
             x='number_of_streets',
             y='district',
             color='category',
             title='Число улиц Москвы с одним заведением по районам и типам',
             labels={
                 'district': 'Округ',
                 'number_of_streets': 'Число улиц с одним заведением',
                 'category': 'Тип заведения'
             },
             orientation='h',
             color_discrete_map=color_discrete_map,
             category_orders={
                 'district': district_order,
                 'category': category_order
             })

fig.show()

median_bill = data.groupby(
    'district')['middle_avg_bill'].median().reset_index()
median_bill

#координаты для центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

#карта Москвы
m = folium.Map(location=[moscow_lat, moscow_lng],
               zoom_start=10,
               tiles='Cartodb Positron')

#строим хороплет
Choropleth(
    geo_data=geo_json,
    data=median_bill,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='Blues',
    fill_opacity=0.8,
    line_opacity=0.2,
    legend_name='Средний чек по районам (руб)',
).add_to(m)

#добавляем тултипы и границы для округов
GeoJson(geo_json,
        name='districts',
        style_function=lambda feature: {
            'color': 'grey',
            'weight': 0.8,
            'fillOpacity': 0
        },
        tooltip=folium.GeoJsonTooltip(fields=['name'],
                                      aliases=['Округ:'])).add_to(m)

#сохраняем карту в HTML файл и отображаем в блокноте с помощью IFrame
map_path = 'moscow_map.html'
m.save(map_path)
IFrame(map_path, width=1000, height=800)

median_bill = data.groupby(
    'category')['middle_avg_bill'].median().reset_index()
median_bill

#группируем данные по категориям и вычисление медианного значения среднего чека
median_bill = data.groupby(
    'category')['middle_avg_bill'].median().reset_index()

#сортируем данные по убыванию медианного среднего чека
median_bill = median_bill.sort_values(by='middle_avg_bill', ascending=False)

#палитра для типов заведений
color_discrete_map = {
    'ресторан': '#789DBC',
    'кафе': '#ABBA7C',
    'пиццерия': '#FFDDAE',
    'бар,паб': '#C08497',
    'быстрое питание': '#6B4226',
    'булочная': '#8E7DBE',
    'столовая': '#F4A259',
    'кофейня': '#4D8B8B'
}

#строим диаграмму
fig = px.bar(
    median_bill,
    x='category',
    y='middle_avg_bill',
    color='category', 
    title='Медианные значения среднего чека по категориям заведений',
    labels={
        'middle_avg_bill': 'Медианный средний чек (руб.)',
        'category': 'Тип заведения'
    },
    color_discrete_map=color_discrete_map,
    orientation='v'
)

fig.show()

#фильтруем данные и оставляем круглосуточные
total_points_by_district = data.groupby('district').size().reset_index(
    name='total_points')
round_the_clock_points = data[data['is_24_7'] == True].groupby(
    'district').size().reset_index(name='round_the_clock')

#объединяем датафреймы и считаем процент
district_data = pd.merge(total_points_by_district,
                         round_the_clock_points,
                         on='district',
                         how='left')
district_data['round_the_clock_percent'] = (
    district_data['round_the_clock'] / district_data['total_points']) * 100

#координаты центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

#создаем карту Москвы
m = folium.Map(location=[moscow_lat, moscow_lng],
               zoom_start=10,
               tiles='Cartodb Positron')

#строим хороплет
Choropleth(
    geo_data=geo_json,
    data=district_data,
    columns=['district', 'round_the_clock_percent'],
    key_on='feature.properties.name',  # Путь к названию округа в geojson
    fill_color='Blues',
    fill_opacity=0.8,
    line_opacity=0.2,
    legend_name='Процент круглосуточных заведений по районам',
).add_to(m)

#добавляем тултипы для округов
GeoJson(geo_json,
        name='districts',
        style_function=lambda feature: {
            'color': 'grey',
            'weight': 0.8,
            'fillOpacity': 0
        },
        tooltip=folium.GeoJsonTooltip(fields=['name'],
                                      aliases=['Округ:'])).add_to(m)

#сохраняем карту в HTML файл и отображаем в блокноте с помощью IFrame
map_path = 'moscow_map_24_7.html'
m.save(map_path)
IFrame(map_path, width=1000, height=800)

#фильтруем данные
points = data[data['is_24_7'] == True]

#группируем данные
points_count = points.groupby('category').size().reset_index(name='count')

#сортируем по количеству
points_count_sorted = points_count.sort_values(by='count', ascending=False)

#строим диаграмму
fig = px.bar(points_count_sorted,
             x='category',
             y='count',
             color='category',
             title='Круглосуточные заведения по категориям',
             labels={
                 'count': 'Количество круглосуточных заведений',
                 'category': 'Тип заведения'
             },
             color_discrete_map=color_discrete_map,
             orientation='v')

fig.show()

points_count_sorted

#группируем данные по округам и категориям, считаем количество круглосуточных заведений
points_count = points.groupby(['district',
                               'category']).size().reset_index(name='count')
#убираем 'административный округ' из названий районов
points_count['district'] = points_count['district'].str.replace(
    ' административный округ', '', regex=False)

#сортируем
total_counts = points_count.groupby('district')['count'].sum().reset_index()
total_counts = total_counts.rename(columns={'count': 'total_count'})

#объединяем с исходными данными
sorted_data = pd.merge(points_count, total_counts, on='district')

#сортируем столбцы
sorted_data = sorted_data.sort_values(by=['total_count', 'count'],
                                      ascending=[True, False])

#настроим палитру
color_discrete_map = {
    'ресторан': '#789DBC',
    'кафе': '#ABBA7C',
    'пиццерия': '#FFDDAE',
    'бар,паб': '#C08497',
    'быстрое питание': '#6B4226',
    'булочная': '#8E7DBE',
    'столовая': '#F4A259',
    'кофейня': '#4D8B8B'
}

#строим диаграмму
fig = px.bar(sorted_data,
             x='count',
             y='district',
             color='category',
             title='Круглосуточные заведения по округам',
             labels={
                 'count': 'Количество круглосуточных заведений',
                 'district': 'Округ',
                 'category': 'Тип заведения'
             },
             color_discrete_map=color_discrete_map,
             orientation='h')

fig.show()

# #объединяем исходный датафрейм с новыми столбцами
data_encoded = pd.concat([data, 
#district_dummies
                         ], axis=1)

#собираем список параметров для графика
cols = [
    'middle_avg_bill', 'rating', 'is_24_7', 'chain', 'seats',
    'middle_coffee_cup'
] 

#рассчитываем матрицу
correlation_matrix = data_encoded[cols].corr()

#настраиваем и строим карту
plt.figure(figsize=(12, 8))
sns.heatmap(correlation_matrix,
            annot=True,
            cmap='mako',
            center=0,
            fmt='.2f',
            linewidths=0.5,
            vmin=-1,
            vmax=1)

plt.title('Корреляции параметров заведений Москвы')
plt.show()

#фильтруем данные только по кофейням
coffee_shops = data[data['category'].str.contains('кофейня',
                                                  case=False,
                                                  na=False)]

#считаем кол-во
total_coffee_shops = coffee_shops.shape[0]

print(f"В датасете {total_coffee_shops} кофеен")

В датасете 1412 кофеен

coffee_shops_by_district = coffee_shops['district'].value_counts().reset_index(
)
coffee_shops_by_district.columns = ['district', 'count']

#убираем 'административный округ' из названий районов
coffee_shops_by_district['district'] = coffee_shops_by_district[
    'district'].str.replace(' административный округ', '', regex=False)
print(f"Распределение кофеен по округам:")

coffee_shops_by_district

Распределение кофеен по округам:

#строим график
fig = px.bar(coffee_shops_by_district,
             x='district',
             y='count',
             title='Распределение кофеен по округам',
             labels={
                 'district': 'Округ',
                 'count': 'Кол-во кофеен'
             },
             text='count')

#настраиваем параметры
fig.update_traces(texttemplate='%{text}',
                  textposition='outside',
                  marker_color='#789DBC')

fig.show()

district_analysis = coffee_shops.groupby('district').agg(
    count=('name', 'count'),
    avg_rating=('rating', 'mean'),
    avg_coffee_price=('middle_coffee_cup', 'mean')).round({
        'avg_rating': 1,
        'avg_coffee_price': 0
    }).sort_values(by='count', ascending=False).reset_index()

district_analysis

#группируем по признаку круглосуточности
coffee_24_7_counts = coffee_shops['is_24_7'].value_counts().reset_index()
coffee_24_7_counts.columns = ['is_24_7', 'count']

coffee_24_7_counts['is_24_7'] = coffee_24_7_counts['is_24_7'].map({
    False:
    'Не круглосуточное',
    True:
    'Круглосуточное'
})

display(coffee_24_7_counts)

#строим диаграмму
color_discrete_map = {
    'Круглосуточное': '#FFDDAE',
    'Не круглосуточное': '#789DBC'
}
fig = px.pie(coffee_24_7_counts,
             names='is_24_7',
             values='count',
             title='Соотношение круглосуточных и не круглосуточных кофеен',
             color='is_24_7',
             color_discrete_map=color_discrete_map,
             labels={'is_24_7': 'График работы'})

fig.show()

#группируем данные по категориям и типам
grouped_data = coffee_shops.groupby(['district', 'is_24_7'
                                     ]).size().reset_index(name='count')

#переименовываем значения is_24_7
grouped_data['is_24_7'] = grouped_data['is_24_7'].map({
    True: 'Круглосуточно',
    False: 'Не круглосуточно'
})

#убираем 'административный округ' из названий районов
grouped_data['district'] = grouped_data['district'].str.replace(
    ' административный округ', '', regex=False)

#группируем для сортировки столбцов
total_counts = grouped_data.groupby('district')['count'].sum().reset_index()
total_counts = total_counts.rename(columns={'count': 'total_count'})
sorted_data = pd.merge(grouped_data, total_counts, on='district')
sorted_data = sorted_data.sort_values(by='total_count', ascending=False)

#строим диаграмму
fig = px.bar(
    sorted_data,
    x='district',
    y='count',
    color='is_24_7',
    title='Распределение круглосуточных и не круглосуточных кофеен по районам',
    labels={
        'district': 'Район',
        'count': 'Кол-во кофеен',
        'is_24_7': 'График работы'
    },
    color_discrete_map={
        'Круглосуточно': '#FFDDAE',
        'Не круглосуточно': '#789DBC'
    },
    category_orders={'district': sorted_data['district'].unique()})

fig.show()

sorted_data

#группируем данные по округам и вычисляем средний рейтинг
mean_rating_by_district = coffee_shops.groupby(
    'district')['rating'].mean().reset_index()
mean_rating_by_district['rating'] = mean_rating_by_district['rating'].round(1)

mean_rating_by_district

#определяем координаты центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

#создаем карту Москвы
m = folium.Map(location=[moscow_lat, moscow_lng],
               zoom_start=10,
               tiles='Cartodb Positron')

#создаем хороплет
Choropleth(
    geo_data=geo_json,
    data=mean_rating_by_district,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='Blues',
    fill_opacity=0.8,
    line_opacity=0.2,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

#добавляем тултипы с названиями округов и обводки
GeoJson(geo_json,
        name='districts',
        style_function=lambda feature: {
            'color': 'grey',
            'weight': 0.8,
            'fillOpacity': 0
        },
        tooltip=GeoJsonTooltip(fields=['name'], aliases=['Округ:'])).add_to(m)

#сохраним карту в HTML файл и отображаем в блокноте с помощью IFrame
map_path = 'moscow_map.html'
m.save(map_path)
IFrame(map_path, width=1000, height=800)

data['middle_coffee_cup'].describe()

count     535.000000
mean      174.721495
std        88.951103
min        60.000000
25%       124.500000
50%       169.000000
75%       225.000000
max      1568.000000
Name: middle_coffee_cup, dtype: float64

#фильтруем данные
data_cleaned = data[data['middle_coffee_cup'] <= 500]

#сокращаем названия округов
data_cleaned.loc[:, 'district'] = data_cleaned['district'].str.replace(
    ' административный округ', '', regex=False)

#группируем по округам и считаем среднюю цену чашки капучино
grouped_data = data_cleaned.groupby(
    'district',
    as_index=False).agg(avg_coffee_price=('middle_coffee_cup', 'mean'))
#округляем до целых чисел
grouped_data['avg_coffee_price'] = grouped_data['avg_coffee_price'].round(0)

#сортируем столбцы
grouped_data = grouped_data.sort_values(by='avg_coffee_price', ascending=False)

#строим диаграмму
color_palette = [
    '#789DBC', '#ABBA7C', '#FFDDAE', '#C08497', '#6B4226', '#8E7DBE',
    '#F4A259', '#4D8B8B', '#D1B2FF'
]

fig_bar_cleaned = px.bar(grouped_data,
                         x='district',
                         y='avg_coffee_price',
                         title='Средняя цена чашки капучино по районам',
                         labels={
                             'avg_coffee_price': 'Средняя цена чашки капучино',
                             'district': 'Округ Москвы'
                         },
                         color='district',
                         color_discrete_map=dict(
                             zip(grouped_data['district'], color_palette)))

fig_bar_cleaned.show()

grouped_data

#сокращаем названия округов
data_cleaned.loc[:, 'district'] = data_cleaned['district'].str.replace(
    ' административный округ', '', regex=False)

#строим график
fig_box_cleaned = px.box(data_cleaned,
                         x='district',
                         y='middle_coffee_cup',
                         title='Цены на чашку капучино по районам',
                         labels={
                             'middle_coffee_cup': 'Цена чашки капучино',
                             'district': 'Округ Москвы'
                         })
fig_box_cleaned.update_traces(marker=dict(color='#789DBC'),
                              line=dict(color='#789DBC'))

fig_box_cleaned.update_layout(xaxis_title='Округ Москвы',
                              yaxis_title='Цена чашки капучино')
fig_box_cleaned.show()

#объединяем исходный датафрейм с новыми столбцами
coffee_shops_encoded = pd.concat([coffee_shops, 
                                 ], axis=1)

#собираем список параметров для графика
cols = [
           'middle_avg_bill', 'rating', 'is_24_7', 'chain', 'seats',
           'middle_coffee_cup'] 

#рассчитываем матрицу
correlation_matrix = coffee_shops_encoded[cols].corr()

#настраиваем и строим карту
plt.figure(figsize=(12, 8))
sns.heatmap(correlation_matrix,
            annot=True,
            cmap='mako',
            center=0,
            fmt='.2f',
            linewidths=0.5,
            vmin=-1,
            vmax=1)

plt.title('Корреляция параметров кофеин Москвы')
plt.show()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
3082	Испанские пончики Чуррос	булочная	Москва, Западный административный округ, район...	Западный административный округ	пн-чт 10:00–22:00; пт-вс 10:00–23:00	55.771874	37.435601	4.2	NaN	NaN	NaN	NaN	0	NaN
6206	Щепка	кафе	Москва, Ленинский проспект, 60/2	Юго-Западный административный округ	ежедневно, 09:00–21:00	55.696638	37.559151	3.8	NaN	NaN	NaN	NaN	1	34.0
7631	Senza Titolo	пиццерия	Москва, Варшавское шоссе, 141к11	Южный административный округ	ежедневно, 11:00–23:00	55.588092	37.601319	4.3	средние	Средний счёт:500–1500 ₽	1000.0	NaN	0	NaN

	lat	lng	rating	middle_avg_bill	middle_coffee_cup	chain	seats
count	8406.000000	8406.000000	8406.000000	3149.000000	535.000000	8406.000000	4795.000000
mean	55.750109	37.608570	4.229895	958.053668	174.721495	0.381275	108.421689
std	0.069658	0.098597	0.470348	1009.732845	88.951103	0.485729	122.833396
min	55.573942	37.355651	1.000000	0.000000	60.000000	0.000000	0.000000
25%	55.705155	37.538583	4.100000	375.000000	124.500000	0.000000	40.000000
50%	55.753425	37.605246	4.300000	750.000000	169.000000	0.000000	75.000000
75%	55.795041	37.664792	4.400000	1250.000000	225.000000	1.000000	140.000000
max	55.928943	37.874466	5.000000	35000.000000	1568.000000	1.000000	1288.000000

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	name_initial
3114	Eshka	ресторан	Москва, Рублёвское шоссе, 42, корп. 1	Западный административный округ	NaN	55.750782	37.412500	3.4	NaN	NaN	NaN	NaN	0	164.0	E
3007	Eshak	ресторан	Москва, Рублёвское шоссе, 42, корп. 1	Западный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–06:00; вс 12:00–00:00	55.751036	37.412361	4.5	высокие	Средний счёт:2000–2500 ₽	2250.0	NaN	1	164.0	E
1511	More Poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00–18:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0	M
1430	More poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	ежедневно, 09:00–21:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	0	188.0	M
5850	VIP Wok and sushi	быстрое питание	Москва, Можайское шоссе, 45Б	Западный административный округ	ежедневно, 11:00–23:00	55.716420	37.406693	4.2	NaN	NaN	NaN	NaN	0	16.0	V
5764	VIP Wok & sushi	быстрое питание	Москва, Можайское шоссе, 45Б	Западный административный округ	ежедневно, 11:00–23:00	55.716484	37.407236	4.2	NaN	NaN	NaN	NaN	0	16.0	V
600	В парке вкуснее	кофейня	Москва, Северный административный округ, район Левобережный, территория парка Дружбы	Северный административный округ	ежедневно, 10:00–21:00	55.851985	37.478492	2.2	NaN	NaN	NaN	NaN	1	NaN	В
599	В парке вкуснее!	кафе	Москва, Северный административный округ, район Левобережный, территория парка Дружбы	Северный административный округ	ежедневно, 10:00–21:00	55.854571	37.487254	2.2	NaN	NaN	NaN	NaN	0	NaN	В
6533	Кувшинчик	ресторан	Москва, улица Академика Анохина, 58	Западный административный округ	пн-чт 12:00–23:00; пт,сб 12:00–00:00; вс 12:00–23:00	55.650398	37.469449	4.6	NaN	NaN	NaN	NaN	0	280.0	К
6520	Кувшин	ресторан	Москва, улица Академика Анохина, 58	Западный административный округ	ежедневно, 12:00–23:00	55.650134	37.469377	4.6	NaN	NaN	NaN	NaN	0	280.0	К
2420	Раковарня Клешни и хвосты	бар,паб	Москва, проспект Мира, 118	Северо-Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00–00:00	55.810677	37.638379	4.4	NaN	NaN	NaN	NaN	1	150.0	Р
2211	Раковарня Клешни и Хвосты	ресторан	Москва, проспект Мира, 118	Северо-Восточный административный округ	ежедневно, 12:00–00:00	55.810553	37.638161	4.4	NaN	NaN	NaN	NaN	0	150.0	Р
1081	Фуд-холл Рестомаркет	ресторан	Москва, Калужско-Рижская линия, метро ВДНХ	Северо-Восточный административный округ	ежедневно, 11:00–23:00	55.836031	37.624333	4.2	NaN	NaN	NaN	NaN	0	NaN	Ф
1037	Фудкорт Рестомаркет	кафе	Москва, Калужско-Рижская линия, метро ВДНХ	Северо-Восточный административный округ	ежедневно, 11:00–23:00	55.831891	37.630745	4.2	NaN	NaN	NaN	NaN	0	NaN	Ф
3109	Хлеб да выпечка	кафе	Москва, Ярцевская улица, 19	Западный административный округ	NaN	55.738449	37.410937	4.1	NaN	NaN	NaN	NaN	0	276.0	Х
3091	Хлеб да Выпечка	булочная	Москва, Ярцевская улица, 19	Западный административный округ	ежедневно, 09:00–22:00	55.738886	37.411648	4.1	NaN	NaN	NaN	NaN	1	276.0	Х
55	Чебуреки и манты	кафе	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.880288	37.448645	4.3	NaN	NaN	NaN	NaN	0	148.0	Ч
20	Чебуреки Манты	кафе	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.880287	37.448646	4.3	NaN	NaN	NaN	NaN	1	148.0	Ч
450	Чайхана Халаль	ресторан	Москва, Смольная улица, 24Г, стр. 6	Северный административный округ	ежедневно, круглосуточно	55.860892	37.482538	4.3	NaN	NaN	NaN	NaN	1	53.0	Ч
416	Чайхана Халал	ресторан	Москва, Смольная улица, 24Г, стр. 6	Северный административный округ	ежедневно, круглосуточно	55.860894	37.482553	4.3	NaN	NaN	NaN	NaN	0	53.0	Ч

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	seats	street
4051	Mad Season	бар,паб	Москва, Зубовский бульвар, 15, стр. 1	Центральный административный округ	пн-чт 14:00–01:00; пт,сб 14:00–02:00; вс 14:00...	55.735816	37.591423	4.6	средние	Цена бокала пива:240–350 ₽	NaN	NaN	320.0	Зубовский бульвар
304	Forest Lounge	бар,паб	Москва, Ленинградское шоссе, 51, стр. 4	Северный административный округ	пн-чт 12:00–00:00; пт-вс 12:00–01:00	55.849573	37.469999	4.3	NaN	NaN	NaN	NaN	230.0	Ленинградское шоссе
5461	Суши Соро	пиццерия	Москва, Новокосинская улица, 47	Восточный административный округ	ежедневно, 10:00–22:00	55.743987	37.874466	4.9	NaN	NaN	NaN	NaN	19.0	Новокосинская улица

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	seats	street	is_24_7
7770	Суши лавка	кафе	Москва, улица Академика Янгеля, 6, корп. 1	Южный административный округ	NaN	55.595902	37.592132	4.5	NaN	NaN	NaN	NaN	20.0	улица Академика Янгеля	False
863	Викрама	столовая	Москва, Большая Академическая улица, 44, корп. 2	Северный административный округ	пн-пт 09:00–17:00	55.839315	37.549892	4.0	средние	Средний счёт:100–700 ₽	400.0	NaN	40.0	Большая Академическая улица	False
7708	Донер бистро	быстрое питание	Москва, Кировоградская улица, вл15А	Южный административный округ	ежедневно, круглосуточно	55.609970	37.603600	4.3	NaN	NaN	NaN	NaN	NaN	Кировоградская улица	True

	category	count
0	кафе	2373
1	ресторан	2033
2	кофейня	1412
3	бар,паб	764
4	пиццерия	633
5	быстрое питание	601
6	столовая	315
7	булочная	255

	category	median	mean
0	ресторан	86.0	122.0
1	бар,паб	82.0	124.0
2	кофейня	80.0	111.0
3	столовая	75.5	100.0
4	быстрое питание	69.0	99.0
5	кафе	60.0	97.0
6	пиццерия	55.0	94.0
7	булочная	50.0	88.0

	category	total_amnt	chain	percent%
1	булочная	255	156	61.200000
5	пиццерия	633	330	52.100000
4	кофейня	1412	719	50.900000
2	быстрое питание	601	232	38.600000
6	ресторан	2033	727	35.800000
3	кафе	2373	778	32.800000
7	столовая	315	88	27.900000
0	бар,паб	764	168	22.000000

	name	category	count
0	Шоколадница	кофейня	120
1	Домино'с Пицца	пиццерия	76
2	Додо Пицца	пиццерия	74
3	One Price Coffee	кофейня	71
4	Яндекс Лавка	ресторан	69
5	Cofix	кофейня	65
6	Prime	ресторан	50
7	Хинкальная	кафе	44
8	КОФЕПОРТ	кофейня	42
9	Кулинарная лавка братьев Караваевых	кафе	39
10	Теремок	ресторан	38
11	Чайхана	кафе	37
12	Буханка	булочная	32
13	CofeFest	кофейня	32
14	Му-Му	кафе	27

	district	count
0	Центральный административный округ	2242
1	Северный административный округ	892
2	Южный административный округ	892
3	Северо-Восточный административный округ	887
4	Западный административный округ	843
5	Восточный административный округ	798
6	Юго-Восточный административный округ	714
7	Юго-Западный административный округ	709
8	Северо-Западный административный округ	409

	category	Варшавское шоссе	Дмитровское шоссе	Каширское шоссе	Кутузовский проспект	Ленинградский проспект	Ленинградское шоссе	Ленинский проспект	Люблинская улица	МКАД	Профсоюзная улица	Пятницкая улица	проспект Вернадского	проспект Мира	улица Вавилова	улица Миклухо-Маклая
0	бар,паб	6.0	6.0	2.0	2.0	15.0	5.0	10.0	5.0	1.0	6.0	9.0	7.0	11.0	2.0	3.0
1	булочная	0.0	2.0	0.0	1.0	4.0	2.0	3.0	0.0	0.0	4.0	3.0	1.0	4.0	2.0	0.0
2	быстрое питание	7.0	10.0	10.0	2.0	2.0	5.0	2.0	5.0	9.0	15.0	2.0	12.0	21.0	11.0	4.0
3	кафе	18.0	23.0	20.0	14.0	12.0	13.0	26.0	26.0	45.0	35.0	7.0	25.0	53.0	15.0	21.0
4	кофейня	14.0	11.0	16.0	13.0	25.0	13.0	23.0	11.0	4.0	18.0	6.0	16.0	36.0	10.0	4.0
5	пиццерия	4.0	8.0	5.0	3.0	9.0	3.0	5.0	1.0	0.0	15.0	3.0	12.0	11.0	3.0	2.0
6	ресторан	20.0	24.0	19.0	16.0	25.0	26.0	33.0	10.0	5.0	26.0	18.0	33.0	44.0	12.0	15.0
7	столовая	7.0	4.0	5.0	3.0	3.0	3.0	5.0	2.0	1.0	3.0	0.0	2.0	2.0	0.0	0.0

	district	middle_avg_bill
0	Восточный административный округ	575.0
1	Западный административный округ	1000.0
2	Северный административный округ	650.0
3	Северо-Восточный административный округ	500.0
4	Северо-Западный административный округ	700.0
5	Центральный административный округ	1000.0
6	Юго-Восточный административный округ	450.0
7	Юго-Западный административный округ	600.0
8	Южный административный округ	500.0

	category	middle_avg_bill
0	бар,паб	1250.0
1	булочная	450.0
2	быстрое питание	375.0
3	кафе	550.0
4	кофейня	400.0
5	пиццерия	600.0
6	ресторан	1250.0
7	столовая	300.0

	district	count
0	Центральный	428
1	Северный	192
2	Северо-Восточный	159
3	Западный	150
4	Южный	131
5	Восточный	105
6	Юго-Западный	96
7	Юго-Восточный	89
8	Северо-Западный	62

	is_24_7	count
0	Не круглосуточное	1353
1	Круглосуточное	59

	chain	count
0	Не сетевое	5188
1	Сетевое	3198

	category	Восточный	Западный	Северный	Северо-Восточный	Северо-Западный	Центральный	Юго-Восточный	Юго-Западный	Южный
0	бар,паб	53.0	50.0	68.0	62.0	23.0	364.0	38.0	38.0	68.0
1	булочная	25.0	36.0	39.0	28.0	12.0	50.0	13.0	27.0	25.0
2	быстрое питание	71.0	60.0	58.0	82.0	30.0	87.0	67.0	61.0	85.0
3	кафе	272.0	238.0	232.0	268.0	115.0	464.0	282.0	238.0	264.0
4	кофейня	105.0	150.0	192.0	159.0	62.0	428.0	89.0	96.0	131.0
5	пиццерия	72.0	71.0	77.0	68.0	40.0	113.0	55.0	64.0	73.0
6	ресторан	160.0	214.0	185.0	180.0	109.0	670.0	145.0	168.0	202.0
7	столовая	40.0	24.0	41.0	40.0	18.0	66.0	25.0	17.0	44.0

	district	is_24_7	count	total_count
10	Центральный	Не круглосуточно	402	428
11	Центральный	Круглосуточно	26	428
4	Северный	Не круглосуточно	187	192
5	Северный	Круглосуточно	5	192
6	Северо-Восточный	Не круглосуточно	156	159
7	Северо-Восточный	Круглосуточно	3	159
2	Западный	Не круглосуточно	141	150
3	Западный	Круглосуточно	9	150
17	Южный	Круглосуточно	1	131
16	Южный	Не круглосуточно	130	131
0	Восточный	Не круглосуточно	100	105
1	Восточный	Круглосуточно	5	105
14	Юго-Западный	Не круглосуточно	89	96
15	Юго-Западный	Круглосуточно	7	96
12	Юго-Восточный	Не круглосуточно	88	89
13	Юго-Восточный	Круглосуточно	1	89
8	Северо-Западный	Не круглосуточно	60	62
9	Северо-Западный	Круглосуточно	2	62

	district	avg_coffee_price
1	Западный	190.0
5	Центральный	188.0
7	Юго-Западный	183.0
2	Северный	165.0
3	Северо-Восточный	165.0
4	Северо-Западный	160.0
8	Южный	158.0
6	Юго-Восточный	151.0
0	Восточный	140.0

Анализ рынка заведений общественного питания Москвы

Описание проекта¶

Обзор данных¶

Вывод¶

Предобработка данных¶

Дубликаты¶

Пропуски¶

Создание столбцов¶

столбец с названиями улиц¶

столбец с графиком работы¶

Вывод¶

Анализ рынка общепита¶

Заведенийя по категориям¶

Заведения по кол-ву посадочных мест в категориях¶

Соотношение сетевых/не сетевых заведений¶

Категории заведений в разрезе сетевых/не сетевых¶

ТОП-15 сетевых заведений Москвы¶

Типы заведений в разрезе районов Москвы¶

Распределение средних рейтингов по типам заведений¶

Средние рейтинги заведений по районам Москвы¶

Распределение заведений по районам Москвы¶

Топ-15 улиц Москвы по количеству заведений¶

Улицы, на которых находится только один объект общепита¶

Средний чек заведений по районам Москвы¶

Средний чек заведений по типам заведений¶

Анализ круглосуточной работы заведений по районам Москвы¶

Круглосуточная работа заведений по типам заведений¶

Корреляция между ключевыми параметрами¶

Вывод и рекомендации¶

В ходе анализа выявлено:¶

Рекомендации:¶

Анализ кофеен¶

Кофейни по районам Москвы¶

Круглосуточный режим работы кофеен¶

Рейтинг кофеен по районам¶

Средняя стоимость чашки кофе¶

Корреляция ключевых параметров¶

Вывод и рекомендации¶

В ходе анализа выявлено:¶

Рекомендации:¶

Презентация¶